Earticle

공공 기술 사업화는 한 국가의 과학기술 정책 효율성을 평가하는 중요한 척도 가운데 하나이다. 따라서 기계학 습을 이용하여 공공 기술에 대한 사업화 여부를 사전에 예측하거나, 개발된 공공 기술을 도입할 가능성이 높은 수요 기업을 발굴하고자 하는 시도가 지속적으로 증가하고 있다. 하지만 공공 기술 사업화 데이터는 성공 사례가 드물게 발생하는 전형적인 불균형 데이터 특성을 가진 명목형 데이터의 특성을 보유하고 있어 데이터 증강 방법을 적용하기 어렵다. 명목형 변수는 SMOTE와 같은 오버 샘플링 방법으로는 비즈니스 규칙에 맞지 않는 훈련 데이터를 생성하거 나, 정확도 개선 효과가 떨어지는 이유 때문이다. 이 논문에서는 기계학습의 모델 구축 과정에서 최적 Hyper Parameter를 선정하기 위해 사용되는 Grid Search 방법을 훈련 데이터를 생성하는데 활용하는 방법을 제안한다. 제 안된 훈련 데이터 구축 방법의 효과를 검증하기 위해 과거 사업화 실증 이력 데이터를 활용하여 사업화 성공 여부를 예측하고, 기존의 처리 방법과 제안 방법을 상호 비교하였다. 실험 결과, 제안 방법이 기존 데이터 증강 방법과 비슷 하거나 더 높은 분류 예측 성능을 보이면서도, 업무 규칙에 맞는 데이터를 생성한다는 장점을 확인하였다.

Public technology commercialization is one of the important measures for evaluating the efficiency of a country's science and technology policy. Therefore, attempts to predict whether public technology will be commercialized in advance using machine learning or to discover companies with high potential to adopt developed public technologies are continuously increasing. However, public technology commercialization data has the characteristics of nominal data with typical imbalanced data characteristics with rare success cases, making it difficult to apply data augmentation methods. This is because nominal variables generate training data that does not conform to business rules or have low accuracy improvement effects when using oversampling methods such as SMOTE. In this paper, we propose a method to utilize the Grid Search method, which is used to select optimal Hyper Parameters in the model building process of machine learning, to generate training data. In order to verify the effectiveness of the proposed training data construction method, past commercialization empirical history data was used to predict whether commercialization was successful, and the existing processing method and the proposed method were compared with each other. The experimental results confirmed that the proposed method has a classification prediction performance similar to or higher than the existing data augmentation method, while generating data that conforms to business rules.

분산자원 집합 거래시장에 참여를 원하는 소비자나 사업자를 위한 가상발전소의 전력거래 플랫폼에서 사업참여자의 수요 자원을 관리하고, 이에 적절한 전략을 제공하기 위해 익일 개별 참여자의 수요와 전체 계통의 전력수요를 예측하는 것이 대단히 중요하다. 이러한 전력거래 플랫폼에서 활용하는 것을 목표로 본 논문은 우선 익일의 24시간 전력계통 전력수요예측 모델을 개발하였다. 본 논문에서는 전력수요예측 데이터의 시계열 특성을 고려하여 딥러닝 기법 중 LSTM 알고리즘을 사용하였고, 전력수요량 등의 입출력 값에 원-핫 인코딩 기법을 적용하는 새로운 시도를 하였다. 성능평가에서 일반 DNN과 본 논문에서 구현된 LSTM 예측모델은 각각 평균 제곱근 오차 4.50, 1.89를 나타내어 LSTM 모델이 예측정확도가 높게 나타났다.

In order to manage the demand resources of project participants and to provide appropriate strategies in the virtual power plant's power trading platform for consumers or operators who want to participate in the distributed resource collective trading market, it is very important to forecast the next day's demand of individual participants and the overall system's electricity demand. This paper developed a power demand forecasting model for the next day. For the model, we used LSTM algorithm of deep learning technique in consideration of time series characteristics of power demand forecasting data, and new scheme is applied by applying one-hot encoding method to input/output values such as power demand. In the performance evaluation for comparing the general DNN with our LSTM forecasting model, both model showed 4.50 and 1.89 of root mean square error, respectively, and our LSTM model showed high prediction accuracy.

최근 구조의 복합화와 고층화에 따라 주택에서 잠재적인 요인으로 인해 화재 발생의 위험성도 증대되고 있다. 소방청 통계 연보에 따르면 과거 10년간 주택화재는 연평균 1.6%가 증가하는 추세에 있으며, 주택화재로 인한 연평균 1.6%의 인명피해와 2.4%의 재산피해 또한 확대되는 등 사회적 손실도 증가하고 있다. 이에 빅데이터 기술을 활용하여 사회적 피해를 최소화하기 위해 다양한 화재 요인 분석에 관한 연구들이 수행되었다. 본 연구에서는 거리, 시간, 면적 등 수치 데이터를 활용한 기존 빅데이터 기반 연구들과 달리 피해 예측에 관한 정확도를 높이기 위해 범주값을 갖는 칼럼을 이산화하여 빅데이터 분석에 활용하였다. 본 논문에서는 주택에서 발생한 화재에서 범주형 화재 인자들이 인명피해와 재산피해에 미치는 영향을 분석하고자 한다. 제안 논문에서는 소방청의 화재 데이터에서 발화열원, 발화요인, 최초착화물, 발화관련기기, 동력원, 발화지점, 연소 확대물 등 범주형 칼럼을 대상으로 원-핫 인코딩 기법을 적용하여 이산화하였다. 인코딩된 화재 요인은 유의확률 및 상관관계 분석 과정을 통해 인명피해 및 재산피해에 미치는 중요도 분석에 사용될 인자를 선정하였다. 이어 랜덤포레스트 알고리즘을 이용하여 영향 예측 모델 생성 및 검증, 화재 요인의 중요도 분석을 수행하였다. 실험 결과에서 인명피해와 재산피해에 공통으로 중요도를 보인 주요 화재 요인들은 불꽃불티, 부주의, 종이목재건초, 위험물, 가스 등으로 분석되었으며, 전체적으로 화재 요인들은 재산피해에 비해 인명피해에 높은 영향을 보이는 것으로 나타났다.

Recently, the risk of fire occurrence is increasing due to potential factors in houses according to the complexation and high-rise of the structure. According to the statistical yearbook of National Fire Agency, residential fires have increased by 1.6% per year on average over the past 10 years. In addition, social losses are also increasing, such as the annual average increase of 1.6% in human damage and 2.4% in property damage due to house fires. In order to minimize social damage using big data technology, previous researches on various fire factor analysis have been conducted. In this paper, unlike previous big data-based researches that used numerical data such as distance, time, and area, discretized columns with categorical values were used for big data analysis to increase the accuracy of damage prediction. In this paper, we analyze the effects of categorical fire factors that affect human and property damage in residential fires. In our paper, one-hot encoding technique was applied to discretize categorical columns such as ignition heat source, ignition factor, initial ignition material, ignition related device, power source, ignition point, and combustion expansion product in the fire data of National Fire Agency. Encoded fire factors were selected to be used in the analysis of importance on human and property damage through significance probability and correlation analysis process. Subsequently, the impact prediction model was created and verified using the random forest algorithm, and the importance of fire factors was analyzed. In the test results, the main fire factors that showed common importance in human life and property damage were analyzed as sparks, carelessness, paper wood hay, hazardous materials, and gas. Also, fire factors appeared to have a higher impact on human than property damage.